视频目标跟踪是机器学习、人工智能和计算机视觉技术等领域的研究重点,已经广泛应用于监控、医学、军事、人机交互等领域。全卷积孪生网络目标跟踪器（Fully-Convolutional Siamese Networks for Object Tracking,Siam FC）使Siamese系列跟踪器在目标跟踪领域逐渐成为最重要的研究方向之一。很多Siamese系跟踪算法用于匹配的跟踪模板只包含视频第一帧的深度特征且在跟踪过程中模板不更新,导致目标姿态、尺寸和背景变化严重影响跟踪器性能。此外,最新的Siamese系跟踪算法使用分类和回归相结合的跟踪结构,但是分类任务和回归任务在跟踪中只使用神经网络最后一层的深度特征,没有充分发挥两个分支各自特点。本文针对这些问题进行了研究,主要工作和创新点如下:1)提出了一种基于平均峰值相关能量判断模板更新的3D全卷积孪生网络的目标跟踪算法。该算法使用3D全卷积孪生网络融合视频多帧特征进行目标模板更新,降低跟踪过程中目标姿态、尺寸和背景变化带来的影响。使用平均峰值相关能量判断模板更新的时机,有效解决了目标被遮挡时跟踪模板被污染的问题。该算法使用Logistic损失函数和随机梯度下降法来训练网络。实验结果表明融合多个视频帧特征使得跟踪器在跟踪过程中自适应地更新目标模板可以提高跟踪器的准确率。2)提出了一种基于特征金字塔网络特征融合的在线模板更新跟踪算法。Siam FC++算法在Siam FC算法框架基础上引入回归分支,使得跟踪任务转换为分类任务与回归任务的结合。但是Siam FC++中,分类任务和回归任务都只用目标最高层的特征,没有充分发挥两个分支各自特点。同时Siam FC++和Siam FC一样,只提取第一帧目标特征作为跟踪模板。针对上述问题,该算法先使用特征金字塔网络提取Backbone不同层特征图作用于分类分支和回归分支,提高了每个分支的性能。使用3D卷积更新目标跟踪算法的跟踪模板,降低了跟踪过程中目标改变带来的影响。提出一种基于互信息的模板更新判断条件,降低了目标被遮挡时的影响。实验表明分类分支和回归分支使用不同特征可以提高目标跟踪器性能。本文两个算法的Backbone都使用Alex Net,训练集都用GOT-10k。本文所提出的算法在OTB、VOT和GOT-10k三个数据集的测试结果相比原算法均有提升。实验证明基于孪生网络目标跟踪算法的模板需要在线更新,也证明了多分支使用不同深度特征能有效提高跟踪器的准确率。